## ===> Librerias para la manipulación de datos
import pandas as pd
import numpy as np

## ==> Librerias para los graficos
import plotly.figure_factory as ff
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import matplotlib.pyplot as plt
import seaborn as sns
from mpl_toolkits.mplot3d import Axes3D

## ==> Librerias a niveles estadisticos
from scipy.stats import gaussian_kde
from scipy.stats import chi2_contingency, chi2

## ==> Librerias para el procesamiento ML
from sklearn.preprocessing import OneHotEncoder, OrdinalEncoder, StandardScaler
from sklearn.model_selection import train_test_split,RandomizedSearchCV, GridSearchCV
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier 
import sklearn.metrics as sk_metrics
from sklearn.metrics import classification_report
from sklearn.metrics import roc_curve, roc_auc_score
from sklearn.calibration import calibration_curve

## ==> Configuraciones internas (evitar mensajes de advertencias)
import warnings

## ===> Diccionario que tiene los colores para los graficos
colors_eda = {
    'histogram' : '#13A9C1',
    'density' : '#13A9C1',
    'boxplot' : '#66AA04',
    'pie' : '4200AF'
}

df_tc = pd.read_excel('bbdd_clientes_tarjeta_credito.xlsx')
df_tc

## ====> Verificando NULOS
df_tc.isnull().sum(),df_tc.duplicated().sum()

(ID             0
 MONT_CREDIT    0
 EST_CIVIL      0
 NIV_EDUC       0
 SEX            0
 AGE            0
 PAY_1          0
 PAY_2          0
 PAY_3          0
 BILL_AMT1      0
 BILL_AMT2      0
 BILL_AMT3      0
 PAY_AMT1       0
 PAY_AMT2       0
 PAY_AMT3       0
 ES_NOPAGO      0
 dtype: int64,
 0)

# ====> Transformo algunas variables a categóricas con el objetivo de obtener una mejor visualización de los datos 
rp_est_civil = {
    1 : 'casado',
    2 : 'soltero',
    3 : 'otros'
}
rp_niv_edu = {
    1 : 'posgrado',
    2 : 'universidad',
    3 : 'escuela secundaria',
    4 : 'otros',
    5 : 'desconocido',
    6 : 'desconocido',
}
rp_niv_sex = {
    1 : 'masculino',
    2 : 'femenino'
}
rp_es_nopago = {
    1 : 'no_pago',
    0 : 'si_pago'
}
rp_pay = {
    0 : 'pago debido',#No existe -1 en la tabla, y si cambio las variables a categoricas veo hay un 0 al convertir, entonces ese debe ser "Pago debido", por lo que se reemplaza. 
    1 : 'retraso en el pago de un mes',
    2 : 'retraso en el pago de dos meses',
    3 : 'retraso en el pago de tres mes',
    4 : 'retraso en el pago de cuatro meses',
    5 : 'retraso en el pago de cinco meses',
    6 : 'retraso en el pago de seis meses',
    7 : 'retraso en el pago de siete meses',
    8 : 'retraso en el pago de ocho meses',
    9 : 'retraso en el pago de nueve meses o mas',
}

df_tc['EST_CIVIL'] = df_tc['EST_CIVIL'].replace(rp_est_civil) 
df_tc['NIV_EDUC'] = df_tc['NIV_EDUC'].replace(rp_niv_edu) 
df_tc['SEX'] = df_tc['SEX'].replace(rp_niv_sex) 
df_tc['ES_NOPAGO'] = df_tc['ES_NOPAGO'].replace(rp_es_nopago) 
df_tc[['PAY_1','PAY_2','PAY_3']] = df_tc[['PAY_1','PAY_2','PAY_3']].replace(rp_pay)

#==> Funcion para cambiar el tipo de dato de la variable objetivo
# Type
# O : Ordinal (1,0)
# C : Category (No pago, Si pago)
warnings.filterwarnings('ignore')
def change_type_target(column : pd.Series, type : str) -> pd.Series :
    if type == 'O':
        rp_es_nopago_inverse = {v : k for k,v in rp_es_nopago.items()}
    else:
        rp_es_nopago_inverse = {k : v for k,v in rp_es_nopago.items()}
    column = column.replace(rp_es_nopago_inverse)
    return column

df_tc.drop(columns=['ID'],inplace=True)
df_tc.head(2)

df_bi = df_tc.copy()

## ==> Gráfico para la visualización univariada de datos numéricos
def visualization_num_univariado(df):
    columns = df.columns
    rows = len(columns)
    cols = 3
    subplot_titles = []
    for column in columns:
        subplot_titles.extend([f'Histograma de {column}', f'Densidad de {column}', f'Boxplot de {column}'])
    
    fig = make_subplots(rows = rows, cols = 3,subplot_titles=subplot_titles)
    col = 1
    row = 1

    for column in columns:
        #obtener de densidad
        kde = gaussian_kde(df[column])
        x_range = np.linspace(df[column].min(), df[column].max(), 100)
        kde_values = kde(x_range)
        #obtener numero de bins
        num_bins_sqrt = int(np.ceil(np.ceil(np.sqrt(len(df[column])))))

        fig.add_trace(
            go.Histogram(x = df[column], nbinsx=num_bins_sqrt, marker_color=colors_eda['histogram']), row= row, col = col
        )
        col = col + 1

        fig.add_trace(
            go.Scatter(x = x_range, y = kde_values, mode = 'lines', line=dict(color = colors_eda['density'])), row= row, col = col
        )
        col = col + 1

        fig.add_trace(
            go.Box(y=df[column], marker_color=colors_eda['boxplot']), row = row, col=col
        )
        
        if col == cols:
            row = row + 1 
            col = 1
            
        fig.update_layout(
            height=300*rows, 
            width=1000,
            #title_text=f'Distribución de la variable {column}', 
            showlegend=False,
            #title = {
            #    'x' : 0.5,
            #    'y' : 0.95
            #}
        )
    fig.show("notebook")

## ==> Gráfico para la visualización univariada de datos categórico
def visualization_cat_univariado(df):
    columns = df.columns
    rows = len(columns)
    cols = 2
    subplot_titles = []
    specs = []
    for column in columns:
        subplot_titles.extend([f'Histograma de {column}', f'Pie de {column}'])
        specs.append([{'type': 'bar'}, {'type': 'pie'}])

    
    fig = make_subplots(rows = rows, cols = cols,subplot_titles=subplot_titles, specs = specs)
    col = 1
    row = 1
    for column in columns:

        #obtener numero de bins
        num_bins_sqrt = int(np.ceil(np.ceil(np.sqrt(len(df[column])))))

        fig.add_trace(
            go.Histogram(x = df[column], nbinsx=num_bins_sqrt, marker_color=colors_eda['histogram']), 
            row= row, col = col
        )
        col = col + 1

        labels = df_tc[column].value_counts().index
        values = df_tc[column].value_counts().values
        fig.add_trace(
            go.Pie(labels=labels, values=values),
            row= row, col = col
        )

        if col == cols:
            row = row + 1 
            col = 1

        fig.update_layout(
            height=400*rows, 
            width=1000,
 
            showlegend=False,
            #title = {
            #    'x' : 0.5,
            #    'y' : 0.95
            #}
        )
        fig.update_xaxes(
            tickangle=-45
        )
    fig.show("notebook")

df_bi.describe()

visualization_num_univariado(df_bi.select_dtypes(include=[np.number]))

df_bi.describe(include=['object']).T

visualization_cat_univariado(df_bi.select_dtypes(include=['O']))

df_bi['ES_NOPAGO'] = change_type_target(df_bi['ES_NOPAGO'],'O')

#Matriz de dispersión
cols_num = ['MONT_CREDIT','AGE','BILL_AMT1','BILL_AMT2','BILL_AMT3','PAY_AMT1','PAY_AMT2','PAY_AMT3','ES_NOPAGO']
sns.pairplot(df_bi[cols_num], hue='ES_NOPAGO')
plt.show()

plt.figure(figsize=(15,10))
correlation_matrix = df_bi[cols_num].corr(method='spearman')
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Heatmap de Correlación (Spearman)')
plt.show()

# Crear un mapa de clusters
sns.clustermap(df_bi[cols_num].corr(method='spearman'), cmap='coolwarm', annot=True)
plt.title('Mapa de Clusters')
plt.show()

# Crear un gráfico de dispersión en 3D
fig = plt.figure(figsize=(15,15))
ax = fig.add_subplot(111, projection='3d')
ax.scatter(df_bi['AGE'], df_bi['MONT_CREDIT'], df_bi['BILL_AMT1'], c=df_bi['ES_NOPAGO'], cmap='coolwarm')
ax.set_xlabel('Edad')
ax.set_ylabel('Monto de Crédito')
ax.set_zlabel('Estado de Cuenta Julio')
plt.show()

## ==> Gráfico para la visualización multivariada de datos categóricos (Frecuencia)
def grafico_multivariado_categoria_frecuencia(df: pd.DataFrame, x: str, segmen: str, rotation = 0, hue =  None) -> None:
    if hue is None:
        df_agrupado = df.groupby([x, segmen]).size().reset_index(name='Frecuencia')
        title = f'Distribución de : {x} segmentado por : {segmen}'
    else:
        df_agrupado = df.groupby([x, segmen, hue]).size().reset_index(name='Frecuencia')
       
        title = f'Distribución de : {x} segmentado por : {segmen} y {hue}'
        #print(title)

    fig = px.bar(
        df_agrupado, 
        x=x,
        y='Frecuencia',
        pattern_shape=hue,
        color=segmen, 
        barmode='group', 
        title=title,
        hover_data=[segmen]
    )
    fig.update_layout(
        xaxis_title= x,
        yaxis_title='Frecuencia',
        legend_title_text='Categoria',
        xaxis_tickangle=rotation,
        title_font_size=15,
        hoverlabel=dict(
        bgcolor="white",
        #font_size=16,
        #font_family="Rockwell"
        ),
        title={
            'x' : 0.5,
            'y' : 0.9,
            'xanchor': 'center',
            'yanchor': 'top',
        },
        margin=dict(l=0, r=0, t=80, b=0)
    )
    
    fig.show("notebook")

## ==> Gráfico para la visualización multivariada de datos categóricos y numerico (Frecuencia)
def grafico_multivariado_numerico_categoria(df: pd.DataFrame, x: str, segmen: str, y: str, rotation=0, hue=None) -> None:
    if hue is None:
        df_agrupado = df.groupby([x, segmen])[y].sum().reset_index(name='Total')
        title = f'Distribución de {y} por {x} segmentado por : {segmen}'
    else:
        df_agrupado = df.groupby([x, segmen, hue])[y].sum().reset_index(name='Total')
        title = f'Distribución de {y} por {x} segmentado por : {segmen} y {hue}'

    fig = px.bar(
        df_agrupado, 
        x=x,
        y='Total',
        pattern_shape=hue,
        color=segmen, 
        barmode='group', 
        title=title,
        hover_data=[segmen]
    )
    fig.update_layout(
        xaxis_title=x,
        yaxis_title=f'{y}',
        legend_title_text='Categoria',
        xaxis_tickangle=rotation,
        title_font_size=15,
        hoverlabel=dict(
            bgcolor="white"
        ),
        title={
            'x': 0.5,
            'y': 0.9,
            'xanchor': 'center',
            'yanchor': 'top',
        },
        margin=dict(l=0, r=0, t=80, b=0)
    )
    
    fig.show("notebook")

## ==> Gráfico para la visualización multivariada de datos categóricos BOXPLOT (Frecuencia)
def grafico_boxplot_categoria_numerico(df: pd.DataFrame, x: str, y: str, color: str, rotation=0) -> None:
    fig = px.box(
        df, 
        x=x,
        y=y,
        color=color, 
        title=f'Distribución de {y} por {x} segmentado por {color}',
        points='all'  # Para mostrar todos los puntos
    )
    fig.update_layout(
        xaxis_title=x,
        yaxis_title=y,
        legend_title_text='Categoria',
        xaxis_tickangle=rotation,
        title_font_size=15,
        hoverlabel=dict(
            bgcolor="white"
        ),
        title={
            'x': 0.5,
            'y': 0.9,
            'xanchor': 'center',
            'yanchor': 'top',
        },
        margin=dict(l=0, r=0, t=80, b=0)
    )
    
    fig.show("notebook")

df_bi['ES_NOPAGO'] = df_bi['ES_NOPAGO'] = change_type_target(df_bi['ES_NOPAGO'],'C')

#IDEAL PARA VER LA DISTRIBUCION MULTIVARIABLE DE CATEGORICA (FRECUENCIA) CON SUMATORIA
grafico_multivariado_categoria_frecuencia(
    df=df_bi, 
    x='ES_NOPAGO', 
    segmen='EST_CIVIL', 
    hue='SEX',
    rotation=0
)

#IDEAL PARA VER LA DISTRIBUCION MULTIVARIABLE DE NUMERICA Y CATEGORICA CON SUMATORIA
grafico_multivariado_numerico_categoria(
    df=df_bi, 
    x='PAY_3', 
    segmen='ES_NOPAGO', 
    y='BILL_AMT3', 
    hue='SEX',
    rotation=0
)

#IDEAL PARA DETECTAR OUTLIERS
grafico_boxplot_categoria_numerico(
    df=df_bi, 
    x='PAY_3', 
    y='BILL_AMT3', 
    color='ES_NOPAGO', 
    rotation=0
)

### ==> TÉCNICA DEL CHI CUADRADO PARA VERIFICAR SI EXISTE UNA ASOCIACIÓN ENTRE VARIABLES CATEGÓRICAS
nivel_significancia = 0.05

columns_cat = list(df_bi.select_dtypes(include=['O']).columns)
for column in columns_cat:
    contigency_table = pd.crosstab(df_bi['ES_NOPAGO'], df_bi[column])
    chi_cuadrado, p, dof, _ = chi2_contingency(contigency_table)
    valor_critico = chi2.ppf(1 - nivel_significancia, dof )

    print(f"**********{column}**********")
    print("Estadístico chi-cuadrado: {:.6f}".format(chi_cuadrado))
    print("Valor p: {:.6f}".format(p))
    print("Grados de libertad:", dof) 
    print("Valor crítico:", valor_critico) 
    if p < nivel_significancia:
        print('Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML')
    else:
        print('No rechazamos H0 (Hipotesis nula) : No hay evidencia existente que pueda afirmar una relación entre las variables')
    print("\n")

**********EST_CIVIL**********
Estadístico chi-cuadrado: 170.502335
Valor p: 0.000000
Grados de libertad: 2
Valor crítico: 5.991464547107979
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML


**********NIV_EDUC**********
Estadístico chi-cuadrado: 214.761392
Valor p: 0.000000
Grados de libertad: 3
Valor crítico: 7.814727903251179
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML


**********SEX**********
Estadístico chi-cuadrado: 572.544562
Valor p: 0.000000
Grados de libertad: 1
Valor crítico: 3.841458820694124
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML


**********PAY_1**********
Estadístico chi-cuadrado: 3047.678810
Valor p: 0.000000
Grados de libertad: 4
Valor crítico: 9.487729036781154
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML


**********PAY_2**********
Estadístico chi-cuadrado: 2059.378711
Valor p: 0.000000
Grados de libertad: 4
Valor crítico: 9.487729036781154
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML


**********PAY_3**********
Estadístico chi-cuadrado: 1557.400663
Valor p: 0.000000
Grados de libertad: 4
Valor crítico: 9.487729036781154
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML


**********ES_NOPAGO**********
Estadístico chi-cuadrado: 16620.830656
Valor p: 0.000000
Grados de libertad: 1
Valor crítico: 3.841458820694124
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML

# ==> MESES AL DIA : Numero de veces que el cliente ha estado al dia, a partir de 3 meses 
df_bi['MESES_AL_DIA'] = df_tc[['PAY_1','PAY_2','PAY_3']].apply(lambda x: (x=='pago debido').sum(), axis=1)
# ==> VARIACION DEL TOTAL DE CUENTA : Diferencia entre el ultimo importe del mes restado con el minimo de los demas importe
df_bi['VARIACION_TOTAL_CUENTA'] = df_tc['BILL_AMT1'] - df_bi[['BILL_AMT1', 'BILL_AMT2', 'BILL_AMT3']].min(axis=1)

df_bi.dtypes

MONT_CREDIT               float64
EST_CIVIL                  object
NIV_EDUC                   object
SEX                        object
AGE                         int64
PAY_1                      object
PAY_2                      object
PAY_3                      object
BILL_AMT1                 float64
BILL_AMT2                 float64
BILL_AMT3                 float64
PAY_AMT1                  float64
PAY_AMT2                  float64
PAY_AMT3                  float64
ES_NOPAGO                  object
MESES_AL_DIA                int64
VARIACION_TOTAL_CUENTA    float64
dtype: object

#TECNICA DEL CHI CUADRADO
nivel_significancia = 0.05
contigency_table = pd.crosstab(df_bi['ES_NOPAGO'], df_bi['MESES_AL_DIA'])
chi_cuadrado, p, dof, _ = chi2_contingency(contigency_table)
valor_critico = chi2.ppf(1 - nivel_significancia, dof )
print("Estadístico chi-cuadrado: {:.6f}".format(chi_cuadrado))
print("Valor p: {:.6f}".format(p))
print("Grados de libertad:", dof) 
print("Valor crítico:", valor_critico) 
if p < nivel_significancia:
    print('Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML')
else:
    print('No rechazamos H0 (Hipotesis nula) : No hay evidencia existente que pueda afirmar una relación entre las variables')

Estadístico chi-cuadrado: 2998.472962
Valor p: 0.000000
Grados de libertad: 3
Valor crítico: 7.814727903251179
Rechazamos H0 (Hipotesis nula) : Existe una asociación significativa entre las variables --> Ideal para modelo ML

#Correlacion entres variables
plt.figure(figsize=(15,10))
df_bi['ES_NOPAGO'] = change_type_target(df_bi['ES_NOPAGO'],'O')
cols_num = ['MONT_CREDIT','AGE','BILL_AMT1','BILL_AMT2','BILL_AMT3','PAY_AMT1','PAY_AMT2','PAY_AMT3','ES_NOPAGO','VARIACION_TOTAL_CUENTA']
correlation_matrix = df_bi[cols_num].corr()
sns.clustermap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Heatmap de Correlación')
plt.show()

<Figure size 1500x1000 with 0 Axes>

df_ml = df_bi.copy()
df_ml.drop(columns=['BILL_AMT3','BILL_AMT2','PAY_AMT3','PAY_AMT2','PAY_3','PAY_2'],inplace=True)
df_ml.head(2)

#Transformamos a ordinal las variables que poseen un orden
warnings.filterwarnings('ignore')
rp_niv_edu_inverse = {v: k for k, v in rp_niv_edu.items()}
rp_pay_inverse = {v: k for k, v in rp_pay.items()}
rp_es_nopago_inverse = {v : k for k,v in rp_es_nopago.items()}


df_ml['NIV_EDUC'] = df_ml['NIV_EDUC'].replace(rp_niv_edu_inverse)
df_ml['PAY_1'] = df_ml['PAY_1'].replace(rp_pay_inverse)
df_ml['ES_NOPAGO'] = df_ml['ES_NOPAGO'].replace(rp_es_nopago_inverse)
df_ml.head()

## ==> Transformamos a One Hot Encoder para datos que no tienen orden
columns_encoder = ['SEX','EST_CIVIL']
cat = df_ml[columns_encoder]
ohe = OneHotEncoder(sparse_output=False)# Este parametro es para que no devuelva una matriz sparse
ohe.fit(cat)
cat_ohe = ohe.transform(cat)
cat_ohe = pd.DataFrame(
    cat_ohe,
    columns = ohe.get_feature_names_out(input_features=cat.columns)
)
num = df_ml.select_dtypes(include=["number"])
df_ml = pd.concat([cat_ohe.reset_index(drop=True), num.reset_index(drop=True)], axis=1)
df_ml.head()

X = df_ml.drop(columns=['ES_NOPAGO'])
y = df_ml['ES_NOPAGO']
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.3, random_state=00000)

num_columns_standar = ['MONT_CREDIT','AGE','BILL_AMT1','PAY_AMT1','VARIACION_TOTAL_CUENTA']
scaler = StandardScaler()
X_train[num_columns_standar] = scaler.fit_transform(X_train[num_columns_standar])
X_test[num_columns_standar] = scaler.transform(X_test[num_columns_standar])

warnings.filterwarnings('ignore')
params_gbc = {
    'learning_rate': [0.01, 0.05, 0.1, 0.2],
    'n_estimators': [100, 200, 300],
    'subsample': [0.8, 1.0], 
    'max_depth': [3, 5, 7],
    'min_samples_split': [2, 4],
    'min_samples_leaf': [1, 2, 3, 4, 5],
    'max_features': [None, 'sqrt', 'log2']

}

model_gbc = GradientBoostingClassifier()

clf_gbc= RandomizedSearchCV(model_gbc,params_gbc,scoring='accuracy',cv=5, verbose=0, n_jobs=-1 , random_state=876)

clf_gbc = clf_gbc.fit(X_train,y_train)

print(f'Mejores parametros: {clf_gbc.best_params_}')
print(f'Mejor score: {clf_gbc.best_score_}')
print(f'Mejor estimador: {clf_gbc.best_estimator_}')

Mejores parametros: {'subsample': 1.0, 'n_estimators': 200, 'min_samples_split': 4, 'min_samples_leaf': 5, 'max_features': None, 'max_depth': 5, 'learning_rate': 0.1}
Mejor score: 0.8926697575303807
Mejor estimador: GradientBoostingClassifier(max_depth=5, min_samples_leaf=5, min_samples_split=4,
                           n_estimators=200)

param_grid_tree = {
    'max_depth': [5, 10, 20, 30], 
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 3, 2, 4] 
}


model_tree = DecisionTreeClassifier()

clf_tree= RandomizedSearchCV(model_tree,param_grid_tree,scoring='accuracy',cv=5, verbose=0, n_jobs=-1 , random_state=876)

clf_tree = clf_tree.fit(X_train,y_train)

print(f'Mejores parametros: {clf_tree.best_params_}')
print(f'Mejor score: {clf_tree.best_score_}')
print(f'Mejor estimador: {clf_tree.best_estimator_}')

Mejores parametros: {'min_samples_split': 5, 'min_samples_leaf': 4, 'max_depth': 10}
Mejor score: 0.8533976980227628
Mejor estimador: DecisionTreeClassifier(max_depth=10, min_samples_leaf=4, min_samples_split=5)

## ==> Gracias a la optimización de parámetros, ahora se crear al modelo a partir de esos hiperparametros
model_gbc = GradientBoostingClassifier(
    learning_rate=0.2, max_depth=5, min_samples_leaf=4, random_state= 00000
)
model_gbc = model_gbc.fit(X_train,y_train)
y_predicciones = model_gbc.predict(X_test)
y_probabilidades = model_gbc.predict_proba(X_test)

accuracy_score_gbc = sk_metrics.accuracy_score(y_test,y_predicciones)
preccision_gbc = sk_metrics.precision_score(y_test, y_predicciones, average='weighted')
recall_gbc = sk_metrics.recall_score(y_test,y_predicciones, average='weighted')
f1_gbc = sk_metrics.f1_score(y_test, y_predicciones, average='weighted')

print('===================> Evaluacion')
print('Accuracy : {:.6f}'.format(accuracy_score_gbc))
print('Presicion : {:.6f}'.format(preccision_gbc))
print('Recall : {:.6f}'.format(recall_gbc))
print('F1 Score : {:.6f}'.format(f1_gbc))

===================> Evaluacion
Accuracy : 0.883119
Presicion : 0.882942
Recall : 0.883119
F1 Score : 0.883012

print(classification_report(y_test, y_predicciones))

              precision    recall  f1-score   support

           0       0.90      0.91      0.90      2963
           1       0.86      0.85      0.86      2025

    accuracy                           0.88      4988
   macro avg       0.88      0.88      0.88      4988
weighted avg       0.88      0.88      0.88      4988

## ==> Matriz de confusion
fig, ax = plt.subplots(figsize=(10,10))
cm = sk_metrics.confusion_matrix(y_test, y_predicciones)
disp = sk_metrics.ConfusionMatrixDisplay(confusion_matrix=cm)
disp.plot(ax=ax)
plt.show()

## ==> Pesos de las variables o features mas importantes para el modelo
importancia = model_gbc.feature_importances_
weights = pd.Series(
    importancia,
    index=X.columns
)
weights.plot(kind='bar', figsize=(15, 9))
plt.show()

## ==> Gráfico de la probabilidad equilibrada
y_prob = y_probabilidades[:, 1]
prob_true, prob_pred = calibration_curve(y_test, y_prob, n_bins=10)
plt.figure(figsize=(10, 5))
plt.plot(prob_pred, prob_true, marker='o', label='Gradient Boosting Classifier')
plt.plot([0, 1], [0, 1], linestyle='--', label='Calibración perfecta')
plt.xlabel('Probabilidad media predicha (Clase positiva: 1)')
plt.ylabel('Fracción de positivos (clase positiva: 1)')
plt.title('Curva de calibración')
plt.legend()
plt.show()

## ==> Curva ROC
y_prob = y_probabilidades[:, 1]
# Calcular la curva ROC
fpr, tpr, thresholds = roc_curve(y_test, y_prob)
# Calcular el AUC
auc = roc_auc_score(y_test, y_prob)

# Graficar la curva ROC
plt.figure(figsize=(10, 5))
plt.plot(fpr, tpr, label='Gradient Boosting Classifier (AUC = {:.2f})'.format(auc))
plt.plot([0, 1], [0, 1], linestyle='--', color='r', label='Adivinanzas aleatorias')
plt.xlabel('Tasa de falsos positivos')
plt.ylabel('Tasa de verdaderos positivos')
plt.title('Curva de característica operativa del receptor (ROC)')
plt.legend(loc='lower right')
plt.show()

def replace_columns_for_predictions(df: pd.DataFrame)-> pd.DataFrame:
    rp_niv_edu_inverse = {v: k for k, v in rp_niv_edu.items()}
    rp_pay_inverse = {v: k for k, v in rp_pay.items()}

    df['NIV_EDUC'] = df['NIV_EDUC'].replace(rp_niv_edu_inverse)
    df['PAY_1'] = df['PAY_1'].replace(rp_pay_inverse)    
    return df

#Funcion que se encarga de predecir

def gbc_prediction(raw_data):
    try:
        raw_data_df = pd.DataFrame(raw_data)
        data_df = replace_columns_for_predictions(raw_data_df)
        cat_prueba = data_df[columns_encoder]
        cat_ohe_prueba = ohe.transform(cat_prueba)
        cat_ohe_prueba = pd.DataFrame(
        cat_ohe_prueba, columns=ohe.get_feature_names_out(input_features=cat_prueba.columns)
        )
        #Seleccionamos las numericas
        num = data_df.select_dtypes(include=['number'])
        #Concatenamos
        data = pd.concat([cat_ohe_prueba.reset_index(drop=True), num.reset_index(drop=True)], axis=1)
        #Estandarizamos 
        data[num_columns_standar] = scaler.transform(data[num_columns_standar])
        #Predecimos
        result = model_gbc.predict(data)
        #print(f'resultado ==> {result}')
        probabilidades = model_gbc.predict_proba(data)
        #print(f'probabilidad ==> {probabilidades}')
        raw_data_df['ES_NOPAGO'] = result
        probabilidad_sipago = [x[0] for x in probabilidades]
        probabilidad_nopago = [x[1] for x in probabilidades]
        raw_data_df['PROBABILIDAD_SIPAGO'] = probabilidad_sipago
        raw_data_df['PROBABILIDAD_NOPAGO'] = probabilidad_nopago
        return raw_data_df,result,probabilidades
    except Exception as e:
        print(f'[ERROR] --> No se pudo precedir correctamente, [MENSAJE DEL SERVIDOR]-->: {str(e)}')
        return pd.DataFrame(), [], []

dato_prueba_json = [
    
    {
            'SEX': 'femenino',
            'EST_CIVIL': 'soltero',
            'MONT_CREDIT': 5000,
            'NIV_EDUC': 'otros',
            'AGE': 70,
            'PAY_1': 'retraso en el pago de un mes',
            'BILL_AMT1': 1500,
            'PAY_AMT1': 500,
            'MESES_AL_DIA': 2,
            'VARIACION_TOTAL_CUENTA': 1000
    },
    {
            'SEX': 'femenino',
            'EST_CIVIL' : 'soltero',
            'MONT_CREDIT' : 1000,
            'NIV_EDUC': 'otros',
            'AGE': 45,
            'PAY_1' : 'pago debido',
            'BILL_AMT1': 2600,
            'PAY_AMT1' : 1800,
            'MESES_AL_DIA' : 1,
            'VARIACION_TOTAL_CUENTA' : 3800
    },
    {
            'SEX': 'masculino',
            'EST_CIVIL' : 'casado',
            'MONT_CREDIT' : 1000,
            'NIV_EDUC': 'universidad',
            'AGE': 18,
            'PAY_1' : 'pago debido',
            'BILL_AMT1': 160,
            'PAY_AMT1' : 50,
            'MESES_AL_DIA' : 0,
            'VARIACION_TOTAL_CUENTA' : 5000
    }
]

df_predictions,result,probabilidades = gbc_prediction(dato_prueba_json)
df_predictions

def tasa_interes(value):
  if value < 0.50:
    return 0.0
  elif value >= 0.50 and value < 0.60:
    return 0.02
  elif value >= 0.60 and value < 0.70:
    return 0.04
  elif value >= 0.70 and value < 0.80:
    return 0.06
  elif value >= 0.80 and value < 0.90:
    return 0.08
  elif value >= 0.90:
    return 0.10

df_copy = df_predictions.copy() 
df_copy['TASA_INTERES_MENSUAL'] = 0.10

df_copy['TASA_INTERES_MORA'] = df_copy['PROBABILIDAD_NOPAGO'].apply(tasa_interes) 
df_copy

	ID	MONT_CREDIT	EST_CIVIL	NIV_EDUC	SEX	AGE	PAY_1	PAY_2	PAY_3	BILL_AMT1	BILL_AMT2	BILL_AMT3	PAY_AMT1	PAY_AMT2	PAY_AMT3	ES_NOPAGO
0	1	30000.0	1	1	2	40	0	0	0	24607.0	24430.0	23881.0	1700.0	1600.0	1287.0	0
1	2	20000.0	1	1	2	41	1	2	0	17040.0	16474.0	17203.0	0.0	1300.0	1500.0	0
2	3	20000.0	1	1	2	36	0	0	0	17332.0	18600.0	17947.0	1580.0	1367.0	1178.0	0
3	4	20000.0	1	1	2	35	0	0	0	2003.0	2948.0	3372.0	1086.0	1000.0	0.0	0
4	5	170000.0	1	1	2	38	0	0	0	171465.0	145196.0	110163.0	18500.0	13998.0	3760.0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
16620	16621	350000.0	1	2	1	56	3	2	2	2500.0	2500.0	2500.0	0.0	0.0	0.0	1
16621	16622	380000.0	2	2	1	60	2	2	2	72557.0	77708.0	79384.0	7000.0	3500.0	0.0	1
16622	16623	340000.0	2	2	1	56	4	3	2	3565.0	3356.0	2758.0	0.0	0.0	22000.0	1
16623	16624	430000.0	1	1	1	61	1	0	0	-1645.0	78379.0	76304.0	85900.0	3409.0	1178.0	1
16624	16625	410000.0	1	2	1	61	0	0	0	47929.0	48905.0	49764.0	2078.0	1800.0	1430.0	1

	MONT_CREDIT	AGE	BILL_AMT1	BILL_AMT2	BILL_AMT3	PAY_AMT1	PAY_AMT2	PAY_AMT3
count	16625.000000	16625.000000	16625.000000	16625.000000	16625.000000	16625.000000	16625.000000	16625.000000
mean	157608.781955	43.373955	50720.634827	48815.920662	46471.030556	5175.054075	4973.786105	4830.003368
std	124931.062684	8.777974	73365.449060	70753.129768	68182.984755	15033.589318	14867.362888	15646.002915
min	0.000000	20.000000	-165580.000000	-69777.000000	-61506.000000	0.000000	0.000000	0.000000
25%	50000.000000	37.000000	3491.000000	2997.000000	2550.000000	566.000000	451.000000	306.000000
50%	120000.000000	42.000000	21943.000000	20987.000000	19954.000000	2000.000000	2000.000000	1637.000000
75%	230000.000000	49.000000	65903.000000	62725.000000	59111.000000	5000.000000	4696.000000	4025.000000
max	800000.000000	72.000000	746814.000000	646770.000000	693131.000000	505000.000000	384986.000000	508229.000000

🏦 Determinar el Nivel de Riesgo y Ajustar la Tasa de Interés con Machine Learning en una institución financiera¶

IMPORTANDO LOS DATOS¶

TRANSFORMACIÓN DE LOS DATOS¶

VISUALIZACIÓN DE LOS DATOS (BI)¶

Conclusiones del análisis univariado¶

Conclusiones del análisis multivariado¶

MODELADO PARA MACHINE LEARNING¶

MÉTRICAS DE EVALUACIÓN DEL MODELO¶

Mejor modelo que se ajusta más a los datos¶

Optimización de Hiperparámetros:¶

Rendimiento Predictivo:¶

Conclusiones del modelo¶

PRUEBAS CON EL MODELO GBC¶

El modelo con los resultados obtenidos, ayudara a los siguientes departamento:¶

Ajustar las tasas de interés en función del nivel de riesgo de los clientes¶

	MONT_CREDIT	EST_CIVIL	NIV_EDUC	SEX	AGE	PAY_1	PAY_2	PAY_3	BILL_AMT1	BILL_AMT2	BILL_AMT3	PAY_AMT1	PAY_AMT2	PAY_AMT3	ES_NOPAGO
0	30000.0	casado	posgrado	femenino	40	pago debido	pago debido	pago debido	24607.0	24430.0	23881.0	1700.0	1600.0	1287.0	si_pago
1	20000.0	casado	posgrado	femenino	41	retraso en el pago de un mes	retraso en el pago de dos meses	pago debido	17040.0	16474.0	17203.0	0.0	1300.0	1500.0	si_pago

	SEX	EST_CIVIL	MONT_CREDIT	NIV_EDUC	AGE	PAY_1	BILL_AMT1	PAY_AMT1	MESES_AL_DIA	VARIACION_TOTAL_CUENTA	ES_NOPAGO	PROBABILIDAD_SIPAGO	PROBABILIDAD_NOPAGO
0	femenino	soltero	5000	4	70	1	1500	500	2	1000	1	0.264652	0.735348
1	femenino	soltero	1000	4	45	0	2600	1800	1	3800	0	0.990540	0.009460
2	masculino	casado	1000	2	18	0	160	50	0	5000	0	0.645759	0.354241